ເທັກໂນໂລຢີດຽວກັນທີ່ຂັບການຮັບຮູ້ໃບໜ້າ ແລະລົດທີ່ຂັບເອງໄດ້ໃນໄວໆນີ້ ອາດເປັນເຄື່ອງມືຫຼັກໃນການປົດລັອກຄວາມລັບທີ່ເຊື່ອງໄວ້ຂອງຈັກກະວານ.
ການພັດທະນາທີ່ຜ່ານມາໃນດາລາສາດການສັງເກດການໄດ້ນໍາໄປສູ່ການລະເບີດຂອງຂໍ້ມູນ.
ກ້ອງສ່ອງທາງໄກທີ່ມີປະສິດທິພາບເກັບຂໍ້ມູນ terabytes ປະຈໍາວັນ. ເພື່ອປະມວນຜົນຂໍ້ມູນຈຳນວນຫຼາຍນັ້ນ, ນັກວິທະຍາສາດຕ້ອງຊອກຫາວິທີໃໝ່ເພື່ອອັດຕະໂນມັດວຽກງານຕ່າງໆໃນຂະແໜງດັ່ງກ່າວ, ເຊັ່ນ: ການວັດແທກລັງສີ ແລະ ປະກົດການຊັ້ນສູງອື່ນໆ.
ວຽກງານພິເສດອັນໜຶ່ງທີ່ນັກດາລາສາດກະຕືລືລົ້ນທີ່ຈະເລັ່ງລັດແມ່ນການຈັດປະເພດຂອງກາແລັກຊີ. ໃນບົດຄວາມນີ້, ພວກເຮົາຈະພິຈາລະນາວ່າເປັນຫຍັງການຈັດປະເພດ galaxies ມີຄວາມສໍາຄັນຫຼາຍແລະວິທີທີ່ນັກຄົ້ນຄວ້າໄດ້ເລີ່ມອີງໃສ່ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກຂັ້ນສູງເພື່ອຂະຫຍາຍຂະຫນາດຍ້ອນວ່າປະລິມານຂໍ້ມູນເພີ່ມຂຶ້ນ.
ເປັນຫຍັງພວກເຮົາຈໍາເປັນຕ້ອງຈັດປະເພດ galaxies?
ການຈັດປະເພດຂອງ galaxies, ເປັນທີ່ຮູ້ຈັກໃນພາກສະຫນາມເປັນ galaxy morphology, ມີຕົ້ນກໍາເນີດໃນສະຕະວັດທີ 18. ໃນເວລານັ້ນ, Sir William Herschel ສັງເກດເຫັນວ່າ 'nebula' ຕ່າງໆເຂົ້າມາໃນຮູບແບບຕ່າງໆ. ລູກຊາຍຂອງລາວ John Herschel ປັບປຸງການຈັດປະເພດນີ້ໂດຍການຈໍາແນກລະຫວ່າງ nebulae galactic ແລະ nebulae ທີ່ບໍ່ແມ່ນ galactic. ສຸດທ້າຍຂອງສອງການຈັດປະເພດນີ້ແມ່ນສິ່ງທີ່ພວກເຮົາຮູ້ແລະເອີ້ນວ່າກາລັກຊີ.
ໃນຕອນທ້າຍຂອງສະຕະວັດທີ 18, ນັກດາລາສາດຕ່າງໆຄາດຄະເນວ່າວັດຖຸຂອງ cosmic ເຫຼົ່ານີ້ແມ່ນ "ກາລັກຊີພິເສດ", ແລະວ່າພວກມັນນອນຢູ່ນອກທາງຊ້າງເຜືອກຂອງພວກເຮົາ.
Hubble ໄດ້ນໍາສະເຫນີການຈັດປະເພດໃຫມ່ຂອງ galaxies ໃນປີ 1925 ດ້ວຍການນໍາສະເຫນີລໍາດັບ Hubble, ທີ່ຮູ້ຈັກກັນຢ່າງບໍ່ເປັນທາງການວ່າ Hubble tuning-fork diagram.
ລຳດັບຂອງ Hubble ໄດ້ແບ່ງກາແລັກຊີອອກເປັນ galaxies ປົກກະຕິ ແລະ ບໍ່ສະໝໍ່າສະເໝີ. galaxies ປົກກະຕິໄດ້ຖືກແບ່ງອອກເປັນສາມຊັ້ນກວ້າງ: ຮູບໄຂ່, ກ້ຽວວຽນ, ແລະ lenticular.
ການສຶກສາຂອງ galaxies ໃຫ້ພວກເຮົາເຂົ້າໃຈເຖິງຄວາມລຶກລັບທີ່ສໍາຄັນຈໍານວນຫນຶ່ງຂອງວິທີການເຮັດວຽກຂອງຈັກກະວານ. ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ຮູບແບບທີ່ແຕກຕ່າງກັນຂອງ galaxies ເພື່ອທິດສະດີກ່ຽວກັບຂະບວນການສ້າງດາວ. ການນໍາໃຊ້ການຈໍາລອງ, ນັກວິທະຍາສາດຍັງໄດ້ພະຍາຍາມສ້າງແບບຈໍາລອງວິທີການ galaxies ຕົວເອງເຂົ້າໄປໃນຮູບຮ່າງທີ່ພວກເຮົາສັງເກດເຫັນໃນມື້ນີ້.
ການຈັດປະເພດ morphological ອັດຕະໂນມັດຂອງກາແລັກຊີ
ການຄົ້ນຄວ້າກ່ຽວກັບການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຈັດປະເພດ galaxies ໄດ້ສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບທີ່ດີ. ໃນປີ 2020, ນັກຄົ້ນຄວ້າຈາກອົງການສັງເກດການດາລາສາດແຫ່ງຊາດຂອງຍີ່ປຸ່ນໄດ້ນໍາໃຊ້ a ເຕັກນິກການຮຽນຮູ້ເລິກ ເພື່ອຈັດປະເພດ galaxies ຢ່າງຖືກຕ້ອງ.
ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ຂອງຮູບພາບທີ່ໄດ້ມາຈາກການສໍາຫຼວດ Subaru / Hyper Suprime-Cam (HSC). ການນໍາໃຊ້ເຕັກນິກຂອງພວກເຂົາ, ພວກເຂົາສາມາດຈັດປະເພດ galaxies ເປັນ S-wise spirals, Z-wise spirals, ແລະ non-spirals.
ການຄົ້ນຄວ້າຂອງເຂົາເຈົ້າໄດ້ສະແດງໃຫ້ເຫັນຂໍ້ໄດ້ປຽບຂອງການສົມທົບຂໍ້ມູນຂະຫນາດໃຫຍ່ຈາກ telescopes ກັບ ການຮຽນຮູ້ລຶກລັບ ເຕັກນິກ. ເນື່ອງຈາກຕາຫນ່າງ neural, ໃນປັດຈຸບັນນັກດາລາສາດສາມາດພະຍາຍາມຈັດປະເພດປະເພດອື່ນໆຂອງ morphology ເຊັ່ນ: ແຖບ, ການລວມຕົວ, ແລະວັດຖຸທີ່ມີທັດສະນະທີ່ເຂັ້ມແຂງ. ຍົກຕົວຢ່າງ, ການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງ ຈາກ MK Cavanagh ແລະ K. Bekki ໄດ້ໃຊ້ CNNs ເພື່ອສືບສວນການສ້າງຕັ້ງແຖບໃນການລວມເອົາກາແລັກຊີ.
ເຮັດແນວໃດມັນເຮັດວຽກ
ນັກວິທະຍາສາດຈາກ NAOJ ອີງໃສ່ convolutional ເຄືອຂ່າຍ neural ຫຼື CNNs ເພື່ອຈັດປະເພດຮູບພາບ. ນັບຕັ້ງແຕ່ 2015, CNNs ໄດ້ກາຍເປັນເຕັກນິກທີ່ຖືກຕ້ອງທີ່ສຸດໃນການຈັດປະເພດວັດຖຸທີ່ແນ່ນອນ. ຄໍາຮ້ອງສະຫມັກໃນໂລກທີ່ແທ້ຈິງສໍາລັບ CNNs ປະກອບມີການກວດຈັບໃບຫນ້າໃນຮູບພາບ, ລົດຂັບລົດດ້ວຍຕົນເອງ, ການຮັບຮູ້ຕົວອັກສອນທີ່ຂຽນດ້ວຍມື, ແລະທາງການແພດ ການວິເຄາະຮູບພາບ.
ແຕ່ CNN ເຮັດວຽກແນວໃດ?
CNN ເປັນຂອງຫ້ອງຮຽນຂອງເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຮູ້ຈັກເປັນການຈັດປະເພດ. ຕົວຈັດປະເພດສາມາດເອົາການປ້ອນຂໍ້ມູນທີ່ແນ່ນອນ ແລະອອກຈຸດຂໍ້ມູນ. ຕົວຢ່າງ, ຕົວຈັດປະເພດປ້າຍຖະໜົນຈະສາມາດຖ່າຍຮູບ ແລະອອກໄດ້ວ່າຮູບພາບນັ້ນເປັນປ້າຍຖະໜົນຫຼືບໍ່.
A CNN ເປັນຕົວຢ່າງຂອງ a ເຄືອຂ່າຍ neural. ເຄືອຂ່າຍ neural ເຫຼົ່ານີ້ແມ່ນປະກອບດ້ວຍ neurons ການຈັດຕັ້ງເຂົ້າໄປໃນ ຂັ້ນຕອນ. ໃນໄລຍະການຝຶກອົບຮົມ, neurons ເຫຼົ່ານີ້ແມ່ນໄດ້ປັບຕົວເພື່ອປັບນ້ໍາຫນັກແລະອະຄະຕິສະເພາະທີ່ຈະຊ່ວຍໃຫ້ແກ້ໄຂບັນຫາການຈັດປະເພດທີ່ຕ້ອງການ.
ໃນເວລາທີ່ເຄືອຂ່າຍ neural ໄດ້ຮັບຮູບພາບ, ມັນໃຊ້ເວລາໃນພື້ນທີ່ຂະຫນາດນ້ອຍຂອງຮູບພາບແທນທີ່ຈະເປັນທັງຫມົດ, ແຕ່ລະ neuron ສ່ວນບຸກຄົນພົວພັນກັບ neurons ອື່ນໆຍ້ອນວ່າມັນໃຊ້ເວລາໃນພາກສ່ວນຕ່າງໆຂອງຮູບພາບຕົ້ນຕໍ.
ການປະກົດຕົວຂອງຊັ້ນ convolutional ເຮັດໃຫ້ CNN ແຕກຕ່າງຈາກເຄືອຂ່າຍ neural ອື່ນໆ. ຊັ້ນຂໍ້ມູນເຫຼົ່ານີ້ສະແກນບັນດາ pixels ທັບຊ້ອນກັນໂດຍມີເປົ້າໝາຍໃນການລະບຸຄຸນສົມບັດຈາກຮູບພາບທີ່ປ້ອນເຂົ້າ. ເນື່ອງຈາກພວກເຮົາເຊື່ອມຕໍ່ neurons ທີ່ໃກ້ຊິດກັນ, ເຄືອຂ່າຍຈະມີເວລາງ່າຍຂຶ້ນໃນການເຂົ້າໃຈຮູບພາບຍ້ອນວ່າຂໍ້ມູນປ້ອນເຂົ້າຜ່ານແຕ່ລະຊັ້ນ.
ການນໍາໃຊ້ໃນ Galaxy Morphology
ເມື່ອຖືກນໍາໃຊ້ໃນການຈັດປະເພດ galaxies, CNNs ແບ່ງຮູບພາບຂອງ galaxy ເປັນ "patches" ຂະຫນາດນ້ອຍກວ່າ. ການນໍາໃຊ້ຄະນິດສາດເລັກນ້ອຍ, ຊັ້ນທີ່ເຊື່ອງໄວ້ທໍາອິດຈະພະຍາຍາມແກ້ໄຂວ່າການແກ້ໄຂມີເສັ້ນຫຼືເສັ້ນໂຄ້ງ. ຊັ້ນຕໍ່ໄປຈະພະຍາຍາມແກ້ໄຂຄໍາຖາມທີ່ສັບສົນຫຼາຍຂື້ນເຊັ່ນວ່າ patch ມີຄຸນສົມບັດຂອງ galaxy ກ້ຽວວຽນ, ເຊັ່ນ: ການມີແຂນ.
ໃນຂະນະທີ່ມັນຂ້ອນຂ້າງງ່າຍທີ່ຈະກໍານົດວ່າພາກສ່ວນຂອງຮູບພາບປະກອບດ້ວຍເສັ້ນຊື່, ມັນຈະກາຍເປັນສະລັບສັບຊ້ອນທີ່ຈະຖາມວ່າຮູບພາບສະແດງໃຫ້ເຫັນ galaxy ກ້ຽວວຽນ, ປ່ອຍໃຫ້ຢູ່ຄົນດຽວປະເພດຂອງ galaxy ກ້ຽວວຽນ.
ດ້ວຍເຄືອຂ່າຍ neural, ຕົວຈັດປະເພດເລີ່ມຕົ້ນດ້ວຍກົດລະບຽບແລະເງື່ອນໄຂແບບສຸ່ມ. ກົດລະບຽບເຫຼົ່ານີ້ຄ່ອຍໆມີຄວາມຊັດເຈນຫຼາຍຂຶ້ນ ແລະກ່ຽວຂ້ອງກັບບັນຫາທີ່ພວກເຮົາກໍາລັງພະຍາຍາມແກ້ໄຂ. ໃນຕອນທ້າຍຂອງໄລຍະການຝຶກອົບຮົມ, ເຄືອຂ່າຍ neural ຄວນຈະມີຄວາມຄິດທີ່ດີຂອງລັກສະນະທີ່ຈະຊອກຫາຢູ່ໃນຮູບພາບ.
ຂະຫຍາຍ AI ໂດຍໃຊ້ວິທະຍາສາດພົນລະເມືອງ
ວິທະຍາສາດພົນລະເມືອງຫມາຍເຖິງການຄົ້ນຄວ້າວິທະຍາສາດທີ່ດໍາເນີນໂດຍນັກວິທະຍາສາດນັກສມັກເລ່ນຫຼືສະມາຊິກສາທາລະນະ.
ນັກວິທະຍາສາດທີ່ສຶກສາດາລາສາດມັກຈະຮ່ວມມືກັບນັກວິທະຍາສາດພົນລະເມືອງເພື່ອຊ່ວຍເຮັດໃຫ້ການຄົ້ນພົບທາງວິທະຍາສາດທີ່ສໍາຄັນກວ່າ. ອົງການ NASA ຮັກສາ ກ ບັນຊີລາຍຊື່ ໂຄງການວິທະຍາສາດພົນລະເມືອງຫຼາຍສິບຄົນທີ່ມີໂທລະສັບມືຖືຫຼືຄອມພິວເຕີສາມາດປະກອບສ່ວນ.
ອົງການສັງເກດການດາລາສາດແຫ່ງຊາດຍີ່ປຸ່ນຍັງໄດ້ຈັດຕັ້ງໂຄງການວິທະຍາສາດພົນລະເມືອງທີ່ມີຊື່ວ່າ Galaxy Cruise. ຂໍ້ລິເລີ່ມດັ່ງກ່າວໄດ້ຝຶກໃຫ້ອາສາສະໝັກຈັດແບ່ງກຸ່ມກາແລັກຊີ ແລະຊອກຫາສັນຍານຂອງການປະທະກັນລະຫວ່າງກາແລັກຊີທີ່ອາດຈະເກີດຂຶ້ນ. ໂຄງການພົນລະເມືອງອື່ນເອີ້ນວ່າ Galaxy Zoo ໄດ້ຮັບແລ້ວຫຼາຍກວ່າ 50 ລ້ານການຈັດປະເພດໃນພຽງແຕ່ປີທໍາອິດຂອງການເປີດຕົວ.
ການນໍາໃຊ້ຂໍ້ມູນຈາກໂຄງການວິທະຍາສາດພົນລະເມືອງ, ພວກເຮົາສາມາດເຮັດໄດ້ ຝຶກອົບຮົມເຄືອຂ່າຍ neural ເພື່ອຈັດປະເພດ galaxies ເຂົ້າໄປໃນຫ້ອງຮຽນລາຍລະອຽດເພີ່ມເຕີມ. ພວກເຮົາຍັງສາມາດໃຊ້ປ້າຍວິທະຍາສາດພົນລະເມືອງເຫຼົ່ານີ້ເພື່ອຊອກຫາ galaxies ທີ່ມີລັກສະນະທີ່ຫນ້າສົນໃຈ. ຄຸນສົມບັດເຊັ່ນ: ແຫວນ ແລະເລນອາດຈະຍັງຍາກທີ່ຈະຊອກຫາໂດຍໃຊ້ເຄືອຂ່າຍ neural.
ສະຫຼຸບ
ເຕັກນິກເຄືອຂ່າຍ neural ກໍາລັງກາຍເປັນທີ່ນິຍົມຫລາຍຂຶ້ນໃນຂົງເຂດດາລາສາດ. ການເປີດຕົວກ້ອງສ່ອງທາງອາວະກາດ James Webb ຂອງອົງການ NASA ໃນປີ 2021 ສັນຍາວ່າຈະເປັນຍຸກໃໝ່ຂອງການສັງເກດການທາງດາລາສາດ. ກ້ອງສ່ອງທາງໄກໄດ້ເກັບກໍາຂໍ້ມູນ terabytes ແລ້ວ, ເຊິ່ງອາດຈະເປັນໄປໄດ້ຫຼາຍພັນຄົນໃນໄລຍະພາລະກິດຂອງຫ້າປີ.
ການຈັດປະເພດ galaxies ແມ່ນພຽງແຕ່ຫນຶ່ງໃນຫຼາຍວຽກງານທີ່ມີທ່າແຮງທີ່ສາມາດຂະຫຍາຍໄດ້ດ້ວຍ ML. ດ້ວຍການປະມວນຜົນຂໍ້ມູນອະວະກາດກາຍເປັນບັນຫາ Big Data ຂອງຕົນເອງ, ນັກຄົ້ນຄວ້າຕ້ອງນຳໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກຂັ້ນສູງຢ່າງຄົບຖ້ວນເພື່ອເຂົ້າໃຈພາບໃຫຍ່.
ອອກຈາກ Reply ເປັນ